Überschreiten Werkzeuge ihre Einsatzgrenze, treten unerwünschte Veränderungen am Werkstück und im Zerspanvorgang auf. Um Ausschuss und Nacharbeit zu reduzieren, wird in der Praxis deshalb häufig die Einsatzdauer der Werkzeuge nachverfolgt und frühzeitig ein Werkzeugwechsel durchgeführt. Allerdings schwankt die Standzeit von Werkzeugen, teilweise um mehr als 100 %. Wird für alle Werkzeuge pauschal der gleiche Zeitpunkt für den Werkzeugwechsel festgelegt, werden viele Werkzeuge ersetzt, obwohl sie weiterhin prozesssicher Gut-Teile produzieren könnten. Über den Freiflächenverschleiß kann präziser geschätzt werden, wann die Einsatzgrenze von Werkzeugen erreicht ist. Werkzeuge werden dadurch im Mittel länger genutzt, was Rüstzeiten und Werkzeugkosten reduziert.

Die prozessparallele Überwachung von Werkzeugverschleiß ermöglicht es somit, jedes einzelne Werkzeug bis zur Einsatzgrenze zu nutzen. Allerdings muss eine solche Überwachung bisher an der überwachten Maschine für den überwachten Prozess angelernt werden. Das erfordert zumeist viele Referenzprozesse. Im Rahmen des Projektes IIP-Ecosphere erforscht das IFW die Überwachung von Prozessen mit Daten, die an anderen Maschinen erfasst wurden. Führen Maschinen gleiche Prozesse aus, übertragen die Ansätze Modelle für die Überwachung zwischen den Maschinen. Dadurch entfällt die Anlernphase an der überwachten Maschine. Das ermöglicht eine wirtschaftliche Überwachung auch bei kleineren Losgrößen bis hin zur Einzelteilfertigung.

Erprobt werden die Ansätze an drei Werkzeugmaschinen für die Überwachung der Verschleißmarkenbreite beim Fräsen (Bild 1). Zwei Maschinen (A und B) stellen die Daten für das Training der Überwachungsmodelle bereit und simulieren damit etwa eine Serienfertigung oder Produkttests beim Werkzeugherstellern. An der dritten Maschine, der zu überwachenden Maschine, wird das Modell anschließend eingesetzt, um den Freiflächenverschleiß zu ermitteln. Dadurch ist es möglich, bereits im ersten Zerspanprozess an der überwachenden Maschine den Freiflächenverschleiß des Werkzeugs zu ermitteln.

Betrachtet wird auch, inwieweit Methoden des maschinellen Lernens Mehrwerte für die Überwachung bieten. Etwa kommen für die Verschleißüberwachung tiefe neuronale Netze zum Einsatz. Diese identifizieren aus den Daten der Maschinen eigenständig Verschleißindikatoren, die maschinenübergreifend aussagekräftig sind. Zudem wird föderiertes Lernen eingesetzt, wodurch die Daten an den einzelnen Maschinen verbleiben und entsprechend nicht geteilt werden müssen. Stattdessen werden Wissensausschnitte zur Verbesserung des gemeinsamen Modells geteilt, die aus den Daten der einzelnen Maschinen hervorgehen.